VIP20

本课程属于：030-IoT异常行为检测 物联网安全与设备身份认证 · 共 20 门相关课程，组合学习更完整。

查看所属VIP全部课程 →

← 返回所属目录咨询 / 购买

基于遥测基线的异常检测模型

📚 共计 30 章节

点击此处阅读海量试读课程：100+行业、1000+细分领域

什么是遥测数据？为什么需要异常检测？基线模型的核心思想。

遥测数据基础

常见遥测指标（CPU、内存、IO、网络）、数据采集原理、采样频率与精度。

数据预处理

缺失值处理、异常值清洗、数据标准化与归一化。

清洗标准化

时间序列基础

时间序列的构成（趋势、季节、残差）、平稳性概念、自相关与偏自相关。

时序平稳性

滑动窗口技术

窗口大小选择、滑动步长、窗口统计量（均值、方差、分位数）。

统计基线模型

均值-标准差模型、移动平均模型、指数加权移动平均（EWMA）。

分位数基线模型

箱线图原理、百分位阈值、Tukey方法、IQR规则。

季节性分解模型

STL分解、加法模型与乘法模型、趋势-季节-残差分离。

基于密度的异常检测

LOF算法、DBSCAN原理、局部异常因子计算。

基于距离的异常检测

KNN距离法、马氏距离、欧氏距离与标准化。

孤立森林模型

随机切割思想、路径长度与异常分数、模型训练与调参。

孤立森林集成

单类支持向量机

OCSVM原理、核函数选择、nu参数与异常比例。

自编码器基线

Autoencoder结构、重构误差、训练策略与过拟合防范。

深度学习自编码器

LSTM时序预测基线

LSTM原理、序列预测、预测误差与异常判定。

统计特征（均值、方差、偏度、峰度）、频域特征（FFT）、时序特征（差分、滞后）。

标签与评估

无监督场景下的评估困境、人工标注策略、A/B测试验证。

精确率、召回率、F1分数、ROC-AUC、PR-AUC、混淆矩阵。

阈值选择策略

固定阈值、动态阈值、百分比阈值、基于统计的自动阈值。

多指标联合检测

多维度遥测融合、相关性分析、联合概率模型。

实时检测架构

流式处理框架（Kafka+Flink）、在线模型更新、延迟优化。

模型部署与推理

ONNX导出、模型服务化（Flask/FastAPI）、批处理与流处理。

告警与通知

告警级别定义、告警聚合（抑制、去重）、通知渠道（邮件、钉钉、短信）。

案例1：服务器CPU毛刺检测

基于EWMA的实时异常检测。

案例2：磁盘IO突增检测

基于分位数基线的慢异常检测。

案例3：网络延迟抖动检测

基于孤立森林的复杂模式检测。

案例4：内存泄漏早期发现

基于自编码器的趋势异常检测。

模型维护与漂移

概念漂移检测、模型重训练策略、基线更新周期。

大规模场景优化

分布式计算（Spark）、降采样策略、特征选择与维度约减。

可解释性与根因分析

SHAP值、特征重要性、异常事件关联分析。

可解释性SHAP

课程总结与展望

当前技术局限、未来趋势（LLM辅助异常检测、因果推断）。